面對現代電子戰場上瞬息萬變的雷達與電子戰（EW）威脅發射器，傳統仰賴靜態威脅資料庫的系統已顯現其局限性。一份最新白皮書指出，當前模式靈敏型（mode-agile）與戰時儲備模式（WARM）的雷達發射器，其操作方式難以預測，使得固定資料庫分類威脅的傳統方法變得效率不彰。
由德國羅德史瓦茲（Rohde & Schwarz）公司發表的這份白皮書強調，為有效反制這些先進威脅，國防科技領域應採行結合人工智慧（AI）與機器學習（ML）技術的認知雷達與電子戰系統。此類系統的核心能力在於能夠即時感知、學習、推理並回應射頻（RF）威脅，從而提供更強韌的電子戰反制措施。
認知雷達與電子戰系統主要由多個關鍵模組構成，包括射頻訊號擷取硬體、搜尋與追蹤次系統、由AI/ML驅動的訊號分析與威脅反制引擎，以及用於干擾或欺騙的射頻訊號產生器。白皮書中也概述了多種關鍵AI/ML技術，例如人工神經網路（artificial neural networks）、深度神經網路（deep neural networks）、模糊邏輯（fuzzy logic）及基因演算法（genetic algorithms），並分析了它們各自的優勢及在運算複雜度和延遲方面的挑戰。
為支援這類系統的開發與訓練，該文件建議運用現成的商用（COTS）平台進行即時數據擷取，例如羅德史瓦茲的IRAPS系統，搭配進階訊號視覺化工具ZoomOut®與向量訊號產生器。此外，該研究還詳細說明了如何利用ERISYS SigPro-4000平台，整合射頻訊號產生器與分析儀，建構硬體在迴路（HIL）及系統在迴路（SIL）的訓練環境。這項配置有助於在模擬真實的環境下，進行AI/ML演算法的閉環訓練與評估，確保在實際部署前能最佳化系統效能並完成迴歸測試。
總體而言，這份白皮書呼籲各國國防單位必須發展認知AI/ML雷達及電子戰系統，並結合先進的數據採集、模擬與訓練平台。這對於在現代電子戰中超越不斷演變的射頻威脅，並保障關鍵軍事資產至關重要。
